Scalable and sequential inference of the neutron star equation of state with the Einstein Telescope

Diep in het hart van het universum bestaat materie in een staat die zo dicht en vreemd is dat het ons alledaagse begrip tart. Wanneer een ster onder zijn eigen zwaartekracht instort, kan deze veranderen in een neutronenster, een stadsgrote bol die meer massa bevat dan onze gehele zon, zo compact samengeperst dat een enkele theelepel van het materiaal een miljard ton zou wegen. Binnen deze kosmische objecten worden de regels van de fysica tot hun absolute limiet gedreven. Om te begrijpen wat er met materie gebeurt onder dergelijke verpletterende druk, bestuderen wetenschappers de "toestandsvergelijking", een beschrijving van hoe materie zich gedraagt bij deze extreme dichtheden. Decennialang hebben onderzoekers geprobeerd deze beschrijving te reconstrueren met behulp van radiogolven van pulsars en röntgenstraling van hete oppervlakken, maar er is een nieuw instrument opgekomen: zwaartekrachtgolven. Dit zijn rimpelingen in het weefsel van de ruimtetijd zelf, veroorzaakt wanneer twee neutronensterren met elkaar botsen. Terwijl ze samen naar elkaar toe spiraliseren en op elkaar botsen, laten ze een subtiele afdruk achter op deze golven, die de interne structuur van de sterren onthult. De volgende generatie detectoren, zoals de Einstein Telescoop, belooft deze botsingen niet slechts een paar keer per jaar te horen, maar tienduizenden keren, waardoor zwaartekrachtgolven een dominante manier worden om de bouwstenen van het universum te bestuderen.

Er dreigt echter een enorme nieuwe uitdaging aan de horizon. Hoewel toekomstige telescopen een ongekende vloedgolf van deze kosmische botsingen zullen detecteren, zijn de computermethoden die worden gebruikt om de gegevens te analyseren niet klaar voor een dergelijk volume. Traditioneel analyseren wetenschappers elk evenement één voor één en combineren ze vervolgens de resultaten om iets te leren over de populatie als geheel. Dit proces is rekenintensief, en als er een nieuw evenement arriveert, vereisen de oude methoden vaak dat de gehele berekening vanaf nul wordt gestart. Met de verwachting van tienduizenden evenementen per jaar, zou het opnieuw starten van de analyse voor elk nieuw ontdekking te lang duren, waardoor real-time begrip onmogelijk wordt. Het probleem is niet alleen de enorme hoeveelheid signalen, maar ook de noodzaak om onze kennis continu bij te werken naarmate er nieuwe gegevens binnenkomen, zonder tijd te verspillen aan het opnieuw uitvoeren van werk dat al is gedaan.

Om dit op te lossen, heeft een team van onderzoekers een nieuwe manier ontwikkeld om deze binnenkomende stroom informatie te verwerken. Ze creëerden een methode waarmee computers kunnen leren van een groeiende lijst met evenementen door direct voort te bouwen op wat ze al weten, in plaats van opnieuw te beginnen. Stel je een student voor die, in plaats van telkens een heel tekstboek opnieuw te lezen wanneer hij een nieuw feit leert, simpelweg zijn aantekeningen bijwerkt met de nieuwe informatie. De onderzoekers combineerden twee geavanceerde statistische technieken om dit te bereiken. Eerst gebruikten ze een krachtig type kunstmatige intelligentie om de details van elke individuele botsing samen te vatten in een compacte vorm die gemakkelijk mee te werken is. Vervolgens gebruikten ze een sequentieel algoritme dat nieuwe gegevens kan toevoegen aan het bestaande beeld in kleine, beheersbare batches. Deze aanpak stelt de computer in staat om adaptief te beslissen wanneer een nieuwe groep evenementen significant genoeg is om het algemene begrip van de toestandsvergelijking van neutronensterren te veranderen, en wanneer de nieuwe gegevens te zwak zijn om een grote update te rechtvaardigen.

Het team testte dit systeem door een maand aan observaties van de toekomstige Einstein Telescoop te simuleren. Ze genereerden gegevens voor ongeveer 1.500 binaire neutronenster-fusies, waarbij de signalen nabootsten die de telescoop zou detecteren. Door hun nieuwe algoritme op een enkele krachtige grafische processor te draaien, verwerkte het systeem de volledige maand aan gegevens in slechts een paar uur. In contrast hiermee zouden traditionele methoden zelfs moeite hebben met het verwerken van een fractie van dit volume binnen een redelijke tijdspanne. De onderzoekers ontdekten dat het systeem efficiënt werkte door evenementen te groeperen: wanneer een nieuwe batch signalen zeer informatief was, voerde de computer een gedetailleerde update uit; wanneer de signalen minder impact hadden, voegde het ze simpelweg toe aan een wachtrij totdat er genoeg waren geaccumuleerd om een nieuwe berekening te rechtvaardigen. Deze adaptieve strategie betekende dat de computer zijn energie alleen inzette waar dat het meest nodig was.

De resultaten toonden aan dat de methode succesvol de eigenschappen van neutronenster-materie kon reconstrueren. Aan het einde van de gesimuleerde maand had het algoritme de mogelijke gedragingen van de dichte materie teruggebracht tot een zeer nauwe reeks, waarbij het de beperkingen op de getijdenvervormbaarheid — de maatstaf voor hoe gemakkelijk de sterren kunnen worden platgedrukt — vaststelde op ongeveer één procent. Hoewel de gesimuleerde gegevens enige ruis bevatten die zorgde voor lichte afwijkingen in het uiteindelijke antwoord, bevestigden de onderzoekers dat de reconstructie van de ware fysieke eigenschappen in een schonere omgeving nog nauwkeuriger was. Ze projecteerden ook dat met de huidige hardware hetzelfde systeem een volledige jaar aan detecties, bestaande uit ongeveer 30.000 evenementen, in slechts enkele dagen zou kunnen verwerken. Dit demonstreert dat de flessenhals bij het analyseren van enorme catalogi geen fundamentele limiet van de fysica is, maar een oplosbaar technisch probleem.

Dit werk schept een praktisch pad vooruit voor het tijdperk van de volgende generatie zwaartekrachtgolf-astronomie. Door te bewijzen dat sequentiële inferentie mogelijk en efficiënt is, hebben de onderzoekers aangetoond dat de wetenschappelijke gemeenschap het tempo van de vloedgolf aan gegevens die van de Einstein Telescoop wordt verwacht, kan bijhouden. De methode is niet beperkt tot neutronensterren; het kan worden toegepast op andere vragen over het universum, zoals de verdeling van zwarte gaten of de expansie van het heelal zelf. Naarmate de detectoren in gebruik worden genomen en beginnen aan hun dagelijkse jacht op kosmische botsingen, zorgt deze nieuwe aanpak ervoor dat elke nieuwe ontdekking onmiddellijk wordt geïntegreerd in ons groeiende begrip van het universum, waardoor een vloedgolf aan gegevens wordt omgezet in een heldere en continue stroom van kennis.